基于血管特征的视网膜血管分割方法、设备和存储介质技术

本申请涉及一种基于血管特征的视网膜血管分割方法、设备和存储介质。包括获取视网膜血管分割的数据集，并对数据集进行数据增强操作；建立基于多尺度语义信息融合的深度卷积神经网络智能模型，将增强之后的数据输入到智能模型，并获得模型的输出；运用图像形态学方法检测输出结果中存在的血管断点和血管厚度不一致区域；在断点和厚度不一致区域上加大损失函数的权重，通过动态权重的交叉熵损失函数迭代并优化智能模型，实现视网膜血管的精确分割。该方法结合了多尺度语义信息和断点信息解决血管连通性，并通过提取血管厚度信息改进损失函数解决血管厚度不一致性问题，有效的提高了视网膜血管分割精度，对于计算机医疗智能诊断具有重要意义。断具有重要意义。断具有重要意义。

【技术实现步骤摘要】
基于血管特征的视网膜血管分割方法、设备和存储介质


[0001]本申请涉及医学诊断领域，特别是涉及一种基于血管特征的视网膜血管分割方法、设备和存储介质。

技术介绍

[0002]在现代医学疾病诊断中，眼底视网膜血管具有十分重要的意义，许多疾病都可以通过眼底视网膜血管的形态变化检测和预防。通过视网膜血管分割，可以获得视网膜血管的曲率，长度和宽度等信息，这些信息对于疾病分析如糖尿病，高血压等具有重要意义。
[0003]然而，视网膜血管树具有非常复杂的结构，首先，眼底图片中的视网膜血管像素只占到30%，其中毛细血管的长度占到整个血管树的70%，而且毛细血管的宽度和主要血管差别很大，毛细血管的宽度往往只有一到两个像素，而主要血管的宽度有几十像素。所有实现精确分割视网膜血管是一个很有挑战性的任务。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够快速检测出异常使用权限的基于血管特征的视网膜血管分割方法、设备和存储介质。
[0005]第一方面，本专利技术实施例公开了一种基于血管特征的视网膜血管分割方法，所述方法包括：获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
[0006]进一步的，所述通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值，包括：通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
[0007]进一步的，所述运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域，包括：根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；将定位到的所述血管端点与标注的端点进行核查，得到血管断点；分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
[0008]进一步的，所述在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果，包括：在所述血管断点与所述厚度不一致性区域上动态增加视网膜血管损失权重，获得包含血管断点位置信息和厚度不一致性区域信息的损失函数；通过所述损失函数迭代优化基于多尺度语义信息融合的视网膜血管分割智能模型，得到视网膜血管特征的精确分割结果。
[0009]进一步的，所述根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置，包括：通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0.5的像素标记为背景像素，取值为0；通过形态学边缘检测算法检测出所述初始视网膜血管特征中血管的所有边缘像素，并删除所有边缘像素，把边缘像素的类别设置为背景，取值为0，迭代得到血管厚度为1的细化血管骨架特征图。
[0010]进一步的，所述分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域，包括：通过形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；对于细化后的所述血管骨架特征图进行分段，计算得到分段血管的平均血管厚度；通过所述的血管厚度计算方法，计算血管厚度不一致率。
[0011]另一方面，本专利技术实施例还公开了一种基于血管特征的视网膜血管分割计算机设备，包括：数据集处理模块，用于获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；智能卷积模块，用于通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；血管计算模块，用于运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；结果分割模块，用于在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
[0012]进一步的，所述智能卷积模块包括初始特征单元，所述初始特征单元用于：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
[0013]进一步的，所述血管计算模块包括断点厚度单元，所述断点厚度单元用于：根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；将定位到的所述血管端点与标注的端点进行核查，得到血管断点；分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
[0014]本专利技术实施例还公开了一种计算机可读存储介质，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
[0015]上述基于血管特征的视网膜血管分割方法、装置、计算机设备和存储介质，该方法包括获取视网膜血管分割的数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于血管特征的视网膜血管分割方法，其特征在于，所述方法包括：获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。2.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值，包括：通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。3.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域，包括：根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；将定位到的所述血管端点与标注的端点进行核查，得到血管断点；分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。4.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果，包括：在所述血管断点与所述厚度不一致性区域上动态增加视网膜血管损失权重，获得包含血管断点位置信息和厚度不一致性区域信息的损失函数；通过所述损失函数迭代优化基于多尺度语义信息融合的视网膜血管分割智能模型，得到视网膜血管特征的精确分割结果。5.根据权利要求3所述的基于血管特征的视网膜血管分割方法，其特征在于，所述根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置，包括：通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0....

【专利技术属性】
技术研发人员：刘金平，赵刚劲，吴娟娟，陈文祥，宋馨怡，徐鹏飞，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：